I veterani dei dati lanciano una startup di analisi per i trading desk

I veterani dei dati lanciano una startup di analisi per i trading desk

Timestamp: 4 ottobre 2023 4:40
Nodo di origine: 2916578

Un team di consulenti di scienza dei dati ha avviato un’attività di analisi a Sydney per aiutare le banche e gli acquirenti a dare un senso migliore ai loro algoritmi di trading – e prepararsi per l’eventuale introduzione dell’intelligenza artificiale generativa sul mercato.

Cat Turley, fondatore e CEO di ExeQution Analytics, afferma che i desk azionari continuano a lottare per dare un senso ai dati, anche se sono diventati l’ingrediente vitale per lo sviluppo di modelli quantitativi e algoritmi di esecuzione.

"Le organizzazioni devono far fronte al costo elevato dei dati e alla difficoltà di trarne il massimo valore", ha affermato Turley.

Tutti gli sportelli bancari lato vendita hanno accesso allo stesso tipo di dati e dispongono tutti di data scientist intelligenti. Sono in una corsa per differenziarsi al fine di conquistare gli ordini dei clienti.

Un modo per farlo è offrire trasparenza ai propri algoritmi, ma ciò richiede un grado di attribuzione difficile da raggiungere per molte aziende.

"I venditori sono sotto pressione per differenziarsi, ad esempio, integrando un modello di previsione della volatilità nella ruota dell'algoritmo, invece di programmarlo semplicemente per 'battere il VWAP di 3 bip'", ha affermato. (VWAP significa prezzo medio ponderato per la volatilità; è uno dei numerosi parametri di riferimento generici che i trader azionari si sforzano di battere.)

Spiegare la scatola

Le parti interessate devono affrontare la sfida opposta: come dare un senso alla miriade di algoritmi di esecuzione bancaria e determinare quale broker sta aggiungendo valore. Gli investitori istituzionali spesso richiedono che i loro gestori di fondi abbiano ora visibilità sull'algoritmo di un broker, quindi i trader buy-side non possono accettare la soluzione "scatola nera" di una banca. Devono essere in grado di disimballarlo.

Dal punto di vista dell'acquisto o della vendita, queste funzionalità devono integrarsi nel trading desk, nel modo in cui i quantificatori svolgono il loro lavoro e nei processi post-negoziazione come l'analisi dei costi di transazione.

Ciò diventa particolarmente importante quando le condizioni macroeconomiche cambiano, in particolare con i continui aumenti dei tassi di interesse. I buoni modelli non si basano solo su dati storici, ma li combinano con eventi in tempo reale per aiutare i trader a farsi un’idea di dove potrebbero muoversi i prezzi delle azioni o la volatilità.

Turley afferma che ciò è particolarmente impegnativo nell’Asia del Pacifico, dove i desk devono capire come operano i loro fornitori su più borse e sedi di negoziazione.

Dall’apprendimento automatico…

Da anni le banche e gli acquirenti incorporano il machine learning nello sviluppo dei loro algoritmi. L’obiettivo è stato quello di sviluppare modelli quantitativi in ​​grado di prevedere i movimenti del mercato.

Un modello nell'apprendimento automatico è l'output di un algoritmo di apprendimento eseguito su un set di dati. I trading desk addestrano il modello utilizzando i propri algoritmi e, se il modello sembra funzionare bene, informa su come vengono scritti gli algoritmi di esecuzione.

Un tipico trading desk crea un ciclo di feedback: uno scienziato quantitativo sviluppa un modello, che uno sviluppatore di algoritmi utilizza per creare strumenti di trading, che il trader implementa, le sue prestazioni vengono analizzate attraverso il TCA o un'altra forma di analisi di esecuzione, e i quantitativi esaminano i risultati cercando di modificare il modello.

È probabile che l’intelligenza artificiale generativa svolga un ruolo nei trading desk, anche se le istituzioni devono ancora elaborare i guardrail per garantirne un utilizzo sicuro.

…all’intelligenza artificiale generativa?

"Non sarà utilizzato per automatizzare il commercio, ma può aiutare con l'accesso alle informazioni", ha detto Turley. I trader battono costantemente sulla tastiera per visualizzare ordini in sospeso, cercare liquidità, misurare la volatilità in un mercato o su un paniere di azioni. Dispongono già di feed di dati per dati storici e in tempo reale, ma potrebbero utilizzare modelli di apprendimento linguistico (come ChatGPT) per reperire tali informazioni in modo rapido e intuitivo, nonché per visualizzarle.

"L'industria svilupperà questo, ma ci sono problemi di sicurezza che non possono essere ignorati", ha detto Turley. "Stiamo parlando con i partner tecnologici di dove si evolverà tutto ciò."

Indipendentemente dal fatto che le banche e gli acquirenti integrino la GenAI nei loro processi di machine learning, l'obiettivo sarà quello di integrare meglio i dati storici e in tempo reale per capire cosa sta contribuendo alle prestazioni (o alla loro mancanza), in maggiore dettaglio, al fine di migliorare le decisioni future – in un modo ripetibile che le banche e gli investitori possano decifrare.

Ciò richiede sia una gestione di base dei dati stessi, sia la capacità di unire i sistemi attraverso i mercati in modo che i dati siano ottimizzati, che è l'obiettivo di ExeQution.

Turley è un veterano dell'analisi dei dati nei servizi finanziari. Dopo un background nella vendita di dati, ha continuato a impostare ed eseguire analisi dei dati presso aziende tra cui JP Morgan, CIMB, RBS e Haitong Securities. Ha deciso di avviare la propria attività in questo spazio, sfruttando l'esperienza della sua carriera.

ExeQution è stato lanciato a giugno in modo autofinanziato da Turley e ora ha cinque dipendenti a Sydney e una persona di copertura a Hong Kong.

Timestamp:

Di più da Scava Fin